Labolatorium 2: Arytmetyka komputerowa¶

Jakub Fabia

Importowanie bibliotek¶

Importuję niezbędne biblioteki. Biblioteki te obejmują:

  • DataFrames do manipulacji danymi w formie tabelarycznej,
  • Plots do tworzenia wykresów,
  • QuadGK do dokładnych obliczeń całki (w zadaniu 4),
In [17]:
using DataFrames
using Plots
using QuadGK

Zadanie 1¶

Liczby znormalizowane w standardzie IEEE-754 są odczytywane z pamięci do poniższej postaci:

$L = (-1)^{znak} * 1.mantysa * 2^{cecha-bias}$

Funkcje¶

In [18]:
decode(x::Float16) = (b=bitstring(x); (string("Znak: ", b[1], "  Cecha: ", b[2:6], "  Mantysa: ", b[7:16])))
decode(x::Float32) = (b=bitstring(x); (string("Znak: ", b[1], "  Cecha: ", b[2:9], "  Mantysa: ", b[10:32])))
decode(x::Float64) = (b=bitstring(x); (string("Znak: ", b[1], "  Cecha: ", b[2:12], "  Mantysa: ", b[13:64])))
Out[18]:
decode (generic function with 3 methods)
In [19]:
function bit_represent(x)
    println(string("Liczba: ", x))
    println(string("Reprezentacja binarna: ", bitstring(x)))
    println(decode(x))
end
Out[19]:
bit_represent (generic function with 1 method)

Przedstawienie liczby 1/3¶

In [20]:
x = Float16(1/3)
bit_represent(x)

Liczba: 0.3333
Reprezentacja binarna: 0011010101010101
Znak: 0  Cecha: 01101  Mantysa: 0101010101
In [21]:
x = Float32(1/3)
bit_represent(x)

Liczba: 0.33333334
Reprezentacja binarna: 00111110101010101010101010101011
Znak: 0  Cecha: 01111101  Mantysa: 01010101010101010101011
In [22]:
x = Float64(1/3)
bit_represent(x)

Liczba: 0.3333333333333333
Reprezentacja binarna: 0011111111010101010101010101010101010101010101010101010101010101
Znak: 0  Cecha: 01111111101  Mantysa: 0101010101010101010101010101010101010101010101010101

Rzutowanie Float16 na Float64¶

In [23]:
x = Float16(3.14159)
y = Float64(x)
bit_represent(x)
bit_represent(y)

Liczba: 3.14
Reprezentacja binarna: 0100001001001000
Znak: 0  Cecha: 10000  Mantysa: 1001001000
Liczba: 3.140625
Reprezentacja binarna: 0100000000001001001000000000000000000000000000000000000000000000
Znak: 0  Cecha: 10000000000  Mantysa: 1001001000000000000000000000000000000000000000000000
In [24]:
x = Float16(3/7)
y = Float64(x)
bit_represent(x)
bit_represent(y)

Liczba: 0.4285
Reprezentacja binarna: 0011011011011011
Znak: 0  Cecha: 01101  Mantysa: 1011011011
Liczba: 0.428466796875
Reprezentacja binarna: 0011111111011011011011000000000000000000000000000000000000000000
Znak: 0  Cecha: 01111111101  Mantysa: 1011011011000000000000000000000000000000000000000000

Zadanie 2¶

In [25]:
plot(
    1.0:1.0:1000000.0, 
    eps,
    linewidth=2,
    xlabel="Liczba", 
    ylabel="Epsilon maszynowy", 
    title="Odległość między kolejnymi liczbami Float64", 
    yscale=:log10,
    margin=3Plots.mm,
    legend=false
)
Out[25]:

Zadanie 3¶

Rozwiązanie w języku C - plik main.c¶

#include <stdio.h>
#include <gsl/gsl_ieee_utils.h>

int main(){
    float x = 3e-35;
    for(int i = 0; i <= 34; i++){
        x = x / (2.0);
        gsl_ieee_printf_float(&x);
        printf("\n");
    }
    return 0;
}

Wyniki:¶

$ gcc -Wall main.c -lgsl -o main
$ ./main
 1.00111111000000111100010*2^-116
 1.00111111000000111100010*2^-117
 1.00111111000000111100010*2^-118
 1.00111111000000111100010*2^-119
 1.00111111000000111100010*2^-120
 1.00111111000000111100010*2^-121
 1.00111111000000111100010*2^-122
 1.00111111000000111100010*2^-123
 1.00111111000000111100010*2^-124
 1.00111111000000111100010*2^-125
 1.00111111000000111100010*2^-126 // tutaj ostatnia znormalizowana liczba
 0.10011111100000011110001*2^-126
 0.01001111110000001111000*2^-126
 0.00100111111000000111100*2^-126
 0.00010011111100000011110*2^-126
 0.00001001111110000001111*2^-126
 0.00000100111111000001000*2^-126
 0.00000010011111100000100*2^-126
 0.00000001001111110000010*2^-126
 0.00000000100111111000001*2^-126
 0.00000000010011111100000*2^-126
 0.00000000001001111110000*2^-126
 0.00000000000100111111000*2^-126
 0.00000000000010011111100*2^-126
 0.00000000000001001111110*2^-126
 0.00000000000000100111111*2^-126
 0.00000000000000010100000*2^-126
 0.00000000000000001010000*2^-126
 0.00000000000000000101000*2^-126
 0.00000000000000000010100*2^-126
 0.00000000000000000001010*2^-126
 0.00000000000000000000101*2^-126
 0.00000000000000000000010*2^-126
 0.00000000000000000000001*2^-126
 0

Wnioski¶

Przejście do postaci denormalizowanej następuje, gdy program próbuje obniżyć wartość zmiennej poniżej $2^{-126}$. Denormalizowane liczby pozwala na stopniowe zanikanie wartości (gradual underflow) zamiast nagłego przejścia do zera. Dzięki temu możliwe jest reprezentowanie bardzo małych liczb kosztem zmniejszonej precyzji, zamiast całkowitej utraty informacji.

Zadanie 4¶

Cel algorytmu¶

Zadaniem poniższych funkcji jest aproksymowanie wartości wyrażenia $\int_0^1 x^n * e^{x-1} dx$ dla $n \geq 1$

Całkę tą policzę dokładnie z wykorzystaniem biblioteki, która wykorzystuje kwadraturę Gaussa-Kronroda.

In [26]:
function integral(n)
    integrand(x) = x^n * exp(x - 1)
    integral_value = quadgk(integrand, 0.0, 1.0)[1]
    return integral_value
end
Out[26]:
integral (generic function with 1 method)

Wersja niestabilna¶

$I_n = \int_0^1 x^n * e^{x-1} dx$

Całkuję przez części

$I_n = \left[ x^n e^{x-1} \right]_0^1 - \int_0^1 n x^{n-1} e^{x-1} \,dx$

$\left[ x^n e^{x-1} \right]_0^1 = 1 - 0 = 1$

$I_n = 1 - n I_{n-1}$

$I_1 = \int_0^1 x^1 * e^{x-1} dx = \left[ (x-1) e^{x-1} \right]_0^1 = \frac{1}{e}$

In [27]:
function not_stable_approx(n) 
    if n == 1
        return 1/exp(1)
    end
    return ((1 - n * not_stable_approx(n-1)))
end
Out[27]:
not_stable_approx (generic function with 1 method)
In [28]:
dfBad = DataFrame(notStable = Float64[], integral = Float64[], difference = Float64[])
for i in 1:100
    s = not_stable_approx(i)
    int_val = integral(i)
    diff = s - int_val
    push!(dfBad, [s, int_val, diff])
end
show(dfBad)

100×3 DataFrame
 Row │ notStable     integral    difference
     │ Float64       Float64     Float64
─────┼────────────────────────────────────────
   1 │  0.367879     0.367879     0.0
   2 │  0.264241     0.264241     0.0
   3 │  0.207277     0.207277     5.55112e-17
   4 │  0.170893     0.170893    -2.77556e-16
   5 │  0.145533     0.145533     1.4988e-15
   6 │  0.126802     0.126802    -8.96505e-15
   7 │  0.112384     0.112384     6.26582e-14
   8 │  0.100932     0.100932    -5.01099e-13
   9 │  0.0916123    0.0916123    4.51017e-12
  10 │  0.0838771    0.0838771   -4.51014e-11
  11 │  0.0773522    0.0773522    4.96116e-10
  ⋮  │      ⋮            ⋮            ⋮
  91 │  1.68037e123  0.0107539    1.68037e123
  92 │ -1.54594e125  0.0106395   -1.54594e125
  93 │  1.43772e127  0.0105275    1.43772e127
  94 │ -1.35146e129  0.0104178   -1.35146e129
  95 │  1.28389e131  0.0103104    1.28389e131
  96 │ -1.23253e133  0.0102051   -1.23253e133
  97 │  1.19556e135  0.010102     1.19556e135
  98 │ -1.17164e137  0.010001    -1.17164e137
  99 │  1.15993e139  0.00990195   1.15993e139
 100 │ -1.15993e141  0.00980486  -1.15993e141
                               79 rows omitted
In [29]:
goodRange = 1:18
badRange = 18:100
p1 = plot(goodRange, dfBad[goodRange, :notStable],label="Unstable approximation",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
plot!(goodRange, dfBad[goodRange, :integral],label="Exact value",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
p2 = plot(badRange, dfBad[badRange, :notStable],label="Unstable approximation",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
plot!(badRange, dfBad[badRange, :integral],label="Exact value",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
plot(p1, p2, layout=(1,2), size=(1200, 600))
Out[29]:

Algorytm ten nie jest stabilny i dla wartości powyżej n = 17 zwraca całkowicie błędne wyniki. Jego niestabilność wynika z faktu, że błąd początkowy $\epsilon(I_1)$ z każdym kolejnym etapem się nasila.

Dla każdego następnego $I_n$ błąd wynosi: $\epsilon(I_1)* n!$.

A zatem błąd algorytmu przenosi się dalej z rosnącą amplitudą.

Propozycja wersji stabilnej¶

Po przekształceniu $I_n = 1 - n I_{n-1}$ można otrzymać:

$I_{n-1} = \frac{1 - I_{n}}{n}$

Oraz korzystając z nierówności

$I_n = \int_0^1 x^n * e^{x-1} dx \leq \int_0^1 x^n dx = \left[ \frac{x^{n+1}}{n+1} \right]_0^1 = \frac{1}{n+1}$

Oraz:

$\lim_{n\rightarrow \infty} I_n = 0$

To przy założeniu, że np. $I_{20000} \approx \frac{1}{20000+1}$, to błąd każdej kolejnej liczby będzie wynosił $\epsilon(I_n) * \frac{n!}{20001!}$

In [30]:
function stable_approx()
    cashe = zeros(Float64, 20000)
    cashe[20000] = 1/20001
    for i in 19999:-1:1
        cashe[i] = (1 - cashe[i+1])/(i+1)
    end
    return cashe
end
Out[30]:
stable_approx (generic function with 1 method)
In [31]:
goodDf = DataFrame(stable = Float64[], integral = Float64[], difference = Float64[])
cashe = stable_approx()

for i in 1:20000
    s = cashe[i]
    int_val = integral(i)
    diff = s - int_val
    push!(goodDf, [s, int_val, diff])
end

show(goodDf)

20000×3 DataFrame
   Row │ stable      integral    difference
       │ Float64     Float64     Float64
───────┼──────────────────────────────────────
     1 │ 0.367879    0.367879     0.0
     2 │ 0.264241    0.264241     0.0
     3 │ 0.207277    0.207277     0.0
     4 │ 0.170893    0.170893     0.0
     5 │ 0.145533    0.145533     2.77556e-17
     6 │ 0.126802    0.126802    -2.77556e-17
     7 │ 0.112384    0.112384     1.38778e-17
     8 │ 0.100932    0.100932     2.77556e-17
     9 │ 0.0916123   0.0916123    2.77556e-17
    10 │ 0.0838771   0.0838771    2.77556e-17
    11 │ 0.0773522   0.0773522   -2.77556e-17
   ⋮   │     ⋮           ⋮            ⋮
 19991 │ 5.00175e-5  5.00175e-5  -1.82959e-18
 19992 │ 5.0015e-5   5.0015e-5   -1.83637e-18
 19993 │ 5.00125e-5  5.00125e-5  -1.8567e-18
 19994 │ 5.001e-5    5.001e-5    -1.83637e-18
 19995 │ 5.00075e-5  5.00075e-5  -1.8567e-18
 19996 │ 5.0005e-5   5.0005e-5   -1.84992e-18
 19997 │ 5.00025e-5  5.00025e-5  -1.84992e-18
 19998 │ 5.0e-5      5.0e-5       4.41812e-18
 19999 │ 4.99975e-5  4.99975e-5  -1.24977e-13
 20000 │ 4.99975e-5  4.9995e-5    2.4995e-9
                            19979 rows omitted

Jak widać podejście to generuje wyniki praktycznie nierozróżnialne od prawdziwych.

In [32]:
goodAproxRange = 1:200
p1 = plot(goodAproxRange, goodDf[goodAproxRange, :stable],label="Stable approximation",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
plot!(goodAproxRange, goodDf[goodAproxRange, :integral],label="Exact value",xlabel = "x",ylabel = "y",margin = 5Plots.mm)
Out[32]: